> For the complete documentation index, see [llms.txt](https://docs.cherryai.com.cn/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.cherryai.com.cn/docs/russian/knowledge-base/data.md).

# Данные базы знаний

Эта страница для пользователей, которые хотят понять внутренние механизмы работы базы знаний. Если вам нужно только пользоваться базой знаний, можно сразу обратиться к [Руководству по базе знаний](/docs/russian/knowledge-base/knowledge-base.md)。

## Основные принципы

Документы, добавленные в базу знаний, будут**разбиты на небольшие фрагменты → преобразованы моделью эмбеддингов в числовые векторы → сохранены в локальной базе данных**. Когда вы задаёте вопрос, база знаний преобразует его в вектор того же типа, извлекает наиболее похожие фрагменты и передаёт их диалоговой модели в качестве контекста.

<figure><img src="/files/82996940df0c93a1c7d605a54a3d3becfe8c6b60" alt=""><figcaption><p>Схема обработки базы знаний</p></figcaption></figure>

## Подробнее

1. **Подготовка перед добавлением в базу**
   * Документы (PDF, Word, веб-страницы и т. д.) сначала проходят [Предобработка документов](/docs/russian/knowledge-base/document-preprocessing.md)через (OCR и т. п.), превращаясь в обычный текст
   * Обычный текст нарезается на небольшие фрагменты длиной примерно 200–500 иероглифов (chunk), чтобы упростить поиск
2. **Встраивание и хранение**
   * Каждый фрагмент передаётся [модель эмбеддингов](/docs/russian/knowledge-base/emb-models-info.md) для обработки, в результате получается набор чисел (вектор)
   * Эти числа + исходные фрагменты хранятся в локальной базе данных Cherry Studio (на основе open source libSQL)
3. **Запрос**
   * Когда вы задаёте вопрос, текст вопроса также преобразуется моделью эмбеддингов в числа
   * Система находит несколько фрагментов, «наиболее похожих на вектор вопроса»
   * Эти фрагменты вместе с вопросом отправляются диалоговой модели, и она генерирует окончательный ответ

## Место хранения данных

**Все данные хранятся локально**и не загружаются в облако (если используемая модель эмбеддингов сама является облачным сервисом, текстовые фрагменты на этапе обработки эмбеддингов кратковременно проходят через этот сервис).

* **macOS**：`~/Library/Application Support/CherryStudio`
* **Windows**：`%APPDATA%\CherryStudio`
* **Linux**：`~/.config/CherryStudio`

## Рекомендации по конфиденциальности данных

Если материалы содержат конфиденциальную информацию (контракты, медицинские данные, внутренний код и т. п.):

* Использовать**Локальная модель эмбеддингов**(например, через [Ollama](/docs/russian/pre-basic/providers/ollama.md) или [LM Studio](/docs/russian/pre-basic/providers/lm-studio.md) Запустить `bge-m3`), весь процесс офлайн
* Для диалоговой модели также рекомендуется выбрать локальное развертывание
* Можно использовать вместе с [Изменить место хранения](/docs/russian/pre-basic/personalization-settings/storage.md) размещением данных на зашифрованном диске

## Дополнительное чтение

* Векторная база данных (libSQL / Turso):<https://turso.tech/libsql>
* Эмбеддинги и генерация с усилением поиском: можно ознакомиться с материалами по «vector embedding» и «RAG»

***

### 💡 Получить помощь и отправить отзыв

Если вы в процессе настройки или использования столкнётесь с любыми вопросами, багами или предложениями по улучшению функций, пожалуйста, обратитесь к [Обратная связь и предложения](/docs/russian/question-contact/suggestions.md) официальным каналам, указанным там.


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter:

```
GET https://docs.cherryai.com.cn/docs/russian/knowledge-base/data.md?ask=<question>&goal=<endgoal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal.

The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.